Von OCR zu kodierten Belegen: So bewerten Sie die Datenqualität Ihrer Invoices-Pipeline

1) Messen Sie, was zählt: ein Datenqualitätsmodell für jede Pipeline-Stufe

Bewerten Sie Datenqualität nicht nur am Ende der Pipeline. Definieren Sie Kennzahlen pro Schritt: OCR-Extraktion, Tabellen-/Layout-Erkennung, Feldnormalisierung, Entity-Matching (z. B. Lieferant, Kunde, Kostenstelle), Regelerzeugung sowie die finale Kodierung für das ERP.

Ein praxistaugliches Modell trennt Genauigkeit (richtig/fehlerhaft) von Vollständigkeit (fehlende Felder) und Stetigkeit (Konsistenz über Dokumenttypen und Länder hinweg). Für ein Switzerland-fokussiertes Setup ist außerdem relevant, wie gut Ihre Pipeline Landesspezifika in Layout, Sprache und Nummernformaten abbildet.

• OCR-Feldgenauigkeit je Schlüsselattribut (z. B. IBAN, Belegdatum, USt/Tax, Summen).
• Validierungsquote nach Regeln (Format, Summenlogik, Pflichtfelder).
• Match-Rate für Lieferanten und Geschäftspartner (inkl. „unsicher“).
• Kodierungsabschluss ohne manuelle Korrektur, getrennt nach Dokumenttyp.

2) Starten Sie mit einer Feldlandkarte: Wo entstehen Fehler in der Invoices-Pipeline?

Erstellen Sie eine Feldlandkarte, die jedes Zielattribut mit Ursprung, Konfidenzsignal und Downstream-Auswirkung verknüpft. So wird sichtbar, ob Fehler aus OCR kommen, aus Mapping-Regeln entstehen oder erst im ERP-Context auffallen.

Typische Fehlerquellen:

• Summenabweichungen: OCR liest Positionen, aber die Gesamtsumme oder Dezimaltrennzeichen werden inkonsistent.
• Datumsvarianten: unterschiedliche Schreibweisen, fehlende Jahresangaben oder abweichende Formatlogik.
• USt/Tax-Zuordnung: Tax-Labels werden erkannt, aber nicht zuverlässig in Ihr Kodierschema überführt.
• Stammdatentreffer: Lieferantenname vs. Handelsname, historische Varianten, Schreibfehler.

Die Feldlandkarte ist die Grundlage für saubere Ursachenanalyse und priorisiert Verbesserungen nach Impact.

4) Data Quality in der Praxis: Validierung, Regeln und „Golden Records“

Eine stabile Pipeline kombiniert maschinelle Erkennung mit nachvollziehbarer Prüfung. Validierungen sollten so gebaut sein, dass sie sich automatisiert auswerten lassen und direkt in Ihren Audit-Prozess einfließen.

Bausteine:

1. Format-Checks (z. B. Datum, Währung, Dezimaltrennzeichen).
2. Summenlogik (Positionssumme vs. Belegsumme, Rundungsregeln).
3. Entitätskonsistenz (Lieferant, Kostenstelle, GL-Konto).
4. Auditierbare Entscheidungen: welche Regel hat gegriffen, welche Datenquelle war führend.

„Golden Records“ helfen, die Entitätserkennung zu verbessern. Halten Sie dafür eine kuratierte Referenzliste für häufige Lieferanten und wiederkehrende Belegmuster vor, inklusive historischer Schreibvarianten.

5) Audit-Trails als Qualitätsnachweis: Warum bessere Historie weniger Fehler bedeutet

Wenn Teams den Weg vom OCR-Text zur kodierten Buchung nachvollziehen können, wird die Fehlerbehebung schneller und konsequenter. Eine saubere Historie zeigt, wann Daten unsicher wurden, welche Felder abgeleitet wurden und warum ein bestimmter Code gewählt wurde.

So wird Qualität messbar statt nur diskutierbar. Das reduziert nicht nur Nacharbeit, sondern stärkt auch die Governance für prüfpfade und interne Kontrollen.

6) Realistische Benchmarks: Qualität ohne Betriebsblindheit steigern

Definieren Sie Benchmarks so, dass sie zum Betrieb passen. Ein gutes Ziel ist nicht „100% automatisch“, sondern ein planbarer Mix aus Automatisierung, Review und Korrekturraten.

Geben Sie Ihrer Organisation klare Zuständigkeiten:

• Finance prüft, ob Kodierungen sachlich stimmen.
• Ops/IT sorgt für stabile Schnittstellen und saubere Stammdatenlogik.
• Data Quality steuert Thresholds, Golden Records und Validierungsregeln.

Wenn Sie diese Rollen sauber trennen, lassen sich Verbesserungen wiederholen und Skalierung wird einfacher, auch über mehrere Standorte und Sprachen.